一种基于一维卷积神经网络的近红外光谱分析方法技术

本发明专利技术公开了一种基于一维卷积神经网络的近红外光谱分析方法，具体包括以下步骤：S1、采集训练集样本的近红外光谱数据，并进行预处理；S2、利用预处理后的训练集数据，基于一维卷积神经网络，建立近红外光谱校正模型；S3、采集测试集样本的近红外光谱数据，并进行预处理；S4、将预处理后的测试集数据代入近红外光谱校正模型，获得预测结果。采用本发明专利技术的方法可有效提取近红外光谱中较为陡峭的和较为平缓的吸收峰信息，得到不同分辨率的特征信息，从而能够有效提升利用近红外光谱校正模型的预测精度。本发明专利技术在食品药品成分分析、非法化学添加物检测、纺织品成分分析等领域具有良好的应用前景。

A near-infrared spectral analysis method based on one dimensional convolution neural network

The invention discloses a method for analysis of near infrared spectrum convolution based on neural network, including the following steps: near infrared spectral data, S1 collected samples of the training set, and the pretreatment; S2, using the preprocessed training data convolution neural network based, the establishment of NIR calibration model near infrared spectroscopy; S3 data acquisition, test samples, and pretreatment; S4, test after pretreatment of the set of data into the calibration model of near infrared spectroscopy, the prediction results obtained. The method of this invention can effectively extract the steeper and more gentle absorption peak information in near-infrared spectrum, and get different resolution feature information, so as to effectively improve the prediction accuracy of near infrared spectroscopy correction model. The invention has a good application prospect in the fields of analysis of food and drug components, detection of illegal chemical additives, analysis of textile components and so on.

【技术实现步骤摘要】
一种基于一维卷积神经网络的近红外光谱分析方法
本专利技术涉及数据处理领域，具体涉及一种基于一维卷积神经网络的近红外光谱分析方法。
技术介绍
近红外光谱分析技术是一种发展迅速的成分分析技术，具备检测速度快、样品无损、操作简单等优点，被广泛应用于食品营养分析、非法化学添加检测、纺织品成分分析、石油化工产品在线分析等领域。以食品非法添加检测为例，实验室测试方法往往需要采用质谱、色谱等操作复杂、价格昂贵的设备。而食品非法添加的快检方法一般采用比色法，依然需要复杂、耗时长的预处理步骤。采用近红外光谱分析技术可将食品非法添加的检测时间显著缩短，且测试过程不需要任何试剂与预处理。再例如纺织品成分检测，常规的化学检测方法步骤复杂，需要反复溶解、烘干、称重步骤，至少费时十几个小时。而近红外光谱检测方法可将检测时间缩短至一分钟以内，显著提升检测效率。由于近红外波段的光谱主要是分子基团振动的合频与倍频信息，因此利用近红外光谱进行成分分析，无法通过特征峰比对进行，而是需要采集样品集近红外光谱信息，建立校正模型。目前常用的近红外光谱校正模型建立方法有偏最小二乘算法、多元线性回归算法、支持向量机算法、神经网络算法等。目前由于基线漂移、各化学成分互相作用、样品颗粒散射等方面的原因，校正模型的预测精度还亟待进一步的提升。
技术实现思路
针对上述问题，本专利技术提供一种基于一维卷积神经网络的近红外光谱分析方法。一种基于一维卷积神经网络的近红外光谱分析方法，其特征在于，包括以下步骤：S1、采集训练集样本的近红外光谱数据，并进行预处理；S2、利用预处理后的训练集数据，基于一维卷积神经网络，建立近红外光谱校正模型；S3、采集测试集样本的近红外光谱数据，并进行预处理；S4、将预处理后的测试集数据代入近红外光谱校正模型，获得预测结果。优选的，所述一维卷积神经网络采用并联式结构，利用三种不同尺寸的卷积核提取特征信息，再采用级联方式进行信息融合。优选的，所述的一维卷积神经网络采用GoogLeNet中Inception结构的改进，其具体步骤为：步骤A1：小尺度特征提取，进行小尺寸卷积核运算，记为Branch1层；步骤A2：中尺度特征提取，进行中尺寸卷积核运算，记为Branch2层；步骤A3：大尺度特征提取，进行大尺寸卷积核运算，记为Branch3层；步骤B：信息融合层，采用级联方式将Branch1层、Branch2层和Branch3层的输出进行信息融合；步骤C：Dropout层，随机丢弃部分特征信息，防止过拟合；步骤D：全连接层，信息融合层的输出进入全连接层；步骤E：输出层,全连接层的输出进入输出层进行结果预测。优选的，Branch1层的结构为：输入层数据经过16个尺寸为1*1的一维卷积核运算，非线性激励函数为relu；Branch2层的结构为：输入层数据经过16个尺寸大小为m1*1的一维卷积核运算，非线性激励函数为relu；Branch3层的结构为：输入层数据经过16个尺寸为m2*1大小的一维卷积核运算，非线性激励函数为relu；卷积核尺寸参数m1和m2为自然数，采用以下经验公式计算：其中n为一条光谱曲线的总采样点数。优选的，dropout层中，根据训练集样本和光谱曲线总采样点数n的大小，参数保留率设置为0.8～0.99之间。优选的，全连接层中节点数为10～20之间，非线性激励函数为tanh。优选的，输出层节点数为1，当模型为回归问题时，非线性激励函数为sigmoid，当模型为二分类问题时，非线性激励函数为softmax。优选的，所述训练集样本的光谱数据采集方法是：采集样品近红外反射光谱，光谱波长范围为900～1700nm，每条光谱曲线取16次测试平均值；多次测量样品不同位置的反射光谱，并取平均值后，作为一个训练样本。优选的，所述预处理的方法为Savitzky-Golay一阶导数。与现有技术相比，本专利技术的有益效果在于：本专利技术采用不同尺寸的一维卷积核，以并联方式对光谱数据进行信息提取，最后采用级联方式，进行信息融合，该神经网络结构可以有效提取不同分辨率的光谱信息，例如非常窄的吸收峰和较为平缓的高次倍频、合频吸收峰；利用该神经网络结构可显著提升近红外光谱校正模型的预测精度。附图说明图1是一种基于一维卷积神经网络的近红外光谱分析方法的流程图。图2是基于一维卷积神经网络的近红外光谱分析方法的具体实现方案的示意图。图3是采用本专利技术方法分析得到纯棉纺织品与纯涤纶纺织品的平均光谱曲线的示意图。图4(a)是采用偏最小二乘算法的校正与预测结果的示意图。图4(b)是采用本专利技术方法的校正与预测结果的示意图。具体实施方式下面结合附图和实施例对本专利技术所述的基于一维卷积神经网络的近红外光谱分析方法作进一步说明。图1是一种基于一维卷积神经网络的近红外光谱分析方法的流程图，该方法包括以下步骤：S1、采集训练集样本的近红外光谱数据，并进行预处理；S2、利用预处理后的训练集数据，基于一维卷积神经网络，建立近红外光谱校正模型；S3、采集测试集样本的近红外光谱数据，并进行预处理；S4、将预处理后的测试集数据代入近红外光谱校正模型，获得预测结果。图2是基于一维卷积神经网络的近红外光谱分析方法的具体实现方案的示意图。所述的一维卷积神经网络采用GoogLeNet中Inception结构的改进，其具体步骤为：步骤A1：小尺度特征提取，进行小尺寸卷积核运算，记为Branch1层；步骤A2：中尺度特征提取，进行中尺寸卷积核运算，记为Branch2层；步骤A3：大尺度特征提取，进行大尺寸卷积核运算，记为Branch3层；步骤B：信息融合层，采用级联方式将Branch1层、Branch2层和Branch3层的输出进行信息融合；步骤C：Dropout层，随机丢弃部分特征信息，防止过拟合；步骤D：全连接层，信息融合层的输出进入全连接层；步骤E：输出层,全连接层的输出进入输出层进行结果预测。具体的，所述训练集样本的光谱数据采集方法是：采集样品近红外反射光谱，光谱波长范围为900～1700nm，每条光谱曲线取16次测试平均值；多次测量样品不同位置的反射光谱，并取平均值后，作为一个训练样本。所述预处理的方法为Savitzky-Golay一阶导数。Branch1层的结构为：输入层数据经过16个尺寸为1*1的一维卷积核运算，非线性激励函数为relu；Branch2层的结构为：输入层数据经过16个尺寸大小为m1*1的一维卷积核运算，非线性激励函数为relu；Branch3层的结构为：输入层数据经过16个尺寸为m2*1大小的一维卷积核运算，非线性激励函数为relu；卷积核尺寸参数m1和m2为自然数，采用以下经验公式计算：其中n为一条光谱曲线的总采样点数。Dropout层中，根据训练集样本和光谱曲线总采样点数n的大小，参数保留率设置为0.8～0.99之间。全连接层中节点数为10～20之间，非线性激励函数为tanh。输出层节点数为1，当模型为回归问题时，非线性激励函数为sigmoid，当模型为二分类问题时，非线性激励函数为softmax。现结合具体的实施例对本专利技术的方法进行进一步的说明。实施例1：利用近红外光谱进行棉涤纺织品检测，并利用本专利技术所述方法进行棉含量成分分析，得到纯棉纺织品与纯涤纶纺织品的平均光谱曲线如图3所示。本文档来自技高网...

【技术保护点】
一种基于一维卷积神经网络的近红外光谱分析方法，其特征在于，包括以下步骤：S1、采集训练集样本的近红外光谱数据，并进行预处理；S2、利用预处理后的训练集数据，基于一维卷积神经网络，建立近红外光谱校正模型；S3、采集测试集样本的近红外光谱数据，并进行预处理；S4、将预处理后的测试集数据代入近红外光谱校正模型，获得预测结果。

【技术特征摘要】
1.一种基于一维卷积神经网络的近红外光谱分析方法，其特征在于，包括以下步骤：S1、采集训练集样本的近红外光谱数据，并进行预处理；S2、利用预处理后的训练集数据，基于一维卷积神经网络，建立近红外光谱校正模型；S3、采集测试集样本的近红外光谱数据，并进行预处理；S4、将预处理后的测试集数据代入近红外光谱校正模型，获得预测结果。2.根据权利要求1所述的基于一维卷积神经网络的近红外光谱分析方法，其特征在于，所述一维卷积神经网络采用并联式结构，利用三种不同尺寸的卷积核提取特征信息，再采用级联方式进行信息融合。3.根据权利要求2所述的基于一维卷积神经网络的近红外光谱分析方法，其特征在于，所述的一维卷积神经网络采用GoogLeNet中Inception结构的改进，其具体步骤为：步骤A1：小尺度特征提取，进行小尺寸卷积核运算，记为Branch1层；步骤A2：中尺度特征提取，进行中尺寸卷积核运算，记为Branch2层；步骤A3：大尺度特征提取，进行大尺寸卷积核运算，记为Branch3层；步骤B：信息融合层，采用级联方式将Branch1层、Branch2层和Branch3层的输出进行信息融合；步骤C：dropout层，随机丢弃部分特征信息，防止过拟合；步骤D：全连接层，信息融合层的输出进入全连接层；步骤E：输出层,全连接层的输出进入输出层进行结果预测。4.根据权利要求3所述的基于一维卷积神经网络的近红外光谱分析方法，其特征在于：Branch1层的结构为：输入层数据经过16个尺寸为1*1的一维卷积核运算，非线性激励函数为relu；Branch2层的结构为：...

【专利技术属性】
技术研发人员：刘忆森，周松斌，黄可嘉，李昌，韩威，刘伟鑫，
申请(专利权)人：广东省智能制造研究所，
类型：发明
国别省市：广东,44